Field Notes

Support-Triage, Callcenter-Agenten und Muse auf Brillen: drei schnelle Hebel für deinen Alltag

Heute geht es um Automatisierung im Backoffice, Kosten im Kundenservice und KI am Auge für unterwegs.

Wichtige KI-Nachrichten

Muse kommt auf AI-Brillen, plus neue Konnektoren und E-Mail

Meta bringt den persönlichen Agenten Muse in den kommenden Monaten auf AI-Brillen. Du sprichst den Namen, und Muse kann auf Basis dessen handeln, was du ansiehst. Das spart Erklärerei und beschleunigt Aufgaben unterwegs. Neu sind viele Handels- und Arbeits-Konnektoren, darunter Walmart, Best Buy, Sephora, Wayfair, Notion, GitHub und Box, sowie Shop Pay und PayPal. Muse erhält zudem eine eigene E-Mail-Adresse für Workflows per Mail. Das ist angekündigt, nicht live. Anbieterangaben.1

Support-Triage mit Amazon Nova: 96 Prozent Routingtreffer bei Aderant

Aderant automatisiert das Vorsortieren von Tickets mit Amazon Nova Lite über Bedrock. Der Analyzer prüfte in 2,5 Wochen 109 Tickets und erreichte etwa 96 Prozent Routinggenauigkeit. Geschätzte Entlastung: 8–14 Ingenieurstunden pro Woche bei unter 30 Dollar Betriebskosten pro Monat, davon unter 1 Dollar für Inferenz. Niedrige Konfidenz geht in die menschliche Sichtung. Die Genauigkeit wurde gegen das Team gemessen, das den Fall am Ende löste.2

Ringg: KI-Agenten lösen bis zu 65 Prozent der Anrufe

Ringg setzt GPT-5.6 für mehrsprachige Agenten über Telefon, Chat, WhatsApp und Web ein. Der Anbieter nennt bis zu 65 Prozent gelöste Anrufe und 90 Prozent geringere Kosten gegenüber GPT-4.1. Diese Zahlen stammen vom Anbieter und sind nicht unabhängig geprüft.3

Offene 3D-Strukturen für 2.800 Viren in der AlphaFold-Datenbank

Google DeepMind, EMBL-EBI und NVIDIA veröffentlichen vorhergesagte Protein-Komplexe für über 2.800 Viren. Rund 30 Prozent der Interaktionen seien neu beschrieben. Der zugrundeliegende Workflow, die BioNeMo Structure Prediction Pipeline, wird offen bereitgestellt. Das hilft Forschungsteams, Ziele schneller einzugrenzen. Für die meisten Unternehmen ist das eher Grundlagenarbeit.4

Runways WorldPrompt: Welten in Echtzeit steuern, als Research-Preview

Runway zeigt mit GWM Worlds 2 einen Formatvorschlag namens WorldPrompt. Damit legst du Startbild und zeitgestempelte Ereignisse fest und steuerst eine interaktive, Echtzeit-Simulation. Das ist eine Forschungs-Vorschau mit Grenzen bei Zuverlässigkeit und Dauer. Basis sind Podcast-Shownotes, nicht die Publikation selbst. Nutzen: Trainings, Demo-Erlebnisse, Prototypen.5

Highlights für deinen Arbeitsalltag

  • Du kannst deine Ticket-Triage schrittweise automatisieren. Starte mit stündlichen Läufen an Werktagen, klaren Konfidenz-Schwellen und automatischem Routing nur bei hoher Sicherheit. Baue Erstlösungen aus Confluence, SharePoint und ähnlichen Quellen direkt in die Analyse ein.2

  • Du kannst Anrufspitzen abfangen. Setze einen Voice-Agenten zuerst für Öffnungszeiten, Bestellstatus und einfache Rückfragen auf. Miss Lösungsquote, Eskalationsrate und Kosten pro Kontakt. Anbieterzahlen zu 65 Prozent Abschluss sind nicht unabhängig belegt.3

  • Du kannst für 17 Dollar einen eigenen Klassifizierer feintunen. Together zeigt Schritt für Schritt, wie du einen Jev-ähnlichen Filter auf Basis eines 4B-Modells trainierst. Einsatzfelder: Lead-Qualifizierung, Spam-Filter, Routing von Formularen. Preise und Aufwand sind Anbieterangaben.6

Tools und Updates

  • LangSmith erweitert Feintuning und Monitoring. Du kannst aus realen Nutzungsprotokollen spezialisierte Modelle trainieren und mit Engine v2 Agentenprobleme proaktiv erkennen. Public Beta. Voraussetzung: vorhandene Traces und bestehende Agent-Workflows.78

  • NVIDIA Confidential Computing für private Inferenz. LLM-Workloads laufen in speicherverschlüsselten Umgebungen auf vertraulichen VMs und GPUs. Für Teams mit sensiblen Daten und Compliance-Vorgaben interessant.9

  • Together: „Train your own Jev“ Leitfaden. Serverloses Feintuning eines 4B-Klassifizierers auf Together mit Beispielcode. Nützlich, wenn du kostengünstig domänenspezifische Filter brauchst.6

In fünf Minuten ausprobieren

Vorsortierung von Support-Tickets im Chat testen.

1) Kopiere die fünf Beispieltickets in deinen KI-Chat und bitte um Routing auf Teams: CloudOps, App-Support, Abrechnung. Bitte um Konfidenz je Ticket und einen ersten Lösungsschritt als Stichpunkte.

Beispieltickets: - „Rechnung 84721 weist doppelte Positionen für August aus. Kunde ACME GmbH.“ - „Deploy von Release 3.2 schlägt in prod-eu-1 fehl, Code 503 an /health.“ - „Nutzerin kann sich seit gestern nicht anmelden, Passwort-Reset hilft nicht.“ - „S3-Backup-Job seit Montag rot, 0 Bytes kopiert, Region eu-central-1.“ - „Kunde fragt nach Upgrade-Rabatt beim Planwechsel von Standard auf Pro.“

2) Bitte das Modell: „Routen nur automatisch, wenn Konfidenz ≥ 0,8. Sonst zur manuellen Sichtung.“ Lass dir die Entscheidungen als Tabelle ausgeben.

Erwartetes Ergebnis: Sinnvolle Zuordnung der Tickets zu den drei Teams plus ein konkreter erster Schritt je Fall. Prüfkriterium: Mindestens vier von fünf Tickets korrekt zugeordnet, Konfidenzen plausibel begründet.2

Ein guter Fund

Foundries vs. Navigators im Biotech-Alltag. Der Beitrag zeigt, wie Labs durch schnelle interne Tools mehr Experimente schaffen, auch ohne Großlabore. Erstens: Analysecode passt sich in Stunden statt Wochen an neue Protokolle an. Zweitens: Eigene Datenportale spiegeln die Sicht des Teams, nicht die eines Standard-Tools. Drittens: Entscheidungen werden breiter, weil mehr Kandidaten schnell vorbewertet werden. Übertrage das Prinzip: Baue ein leichtgewichtiges internes Dashboard für dein Team, das genau eure Fragen in einem Klick beantwortet.10

Quellen

  1. The Biggest News From Connect 2026 (about.fb.com)
  2. Aderant builds intelligent ticket triage with Amazon Nova (aws.amazon.com)
  3. Ringg’s AI agents resolve up to 65% of customer calls with OpenAI (openai.com)
  4. How Open Science Can Help Researchers Prepare for the Next Pandemic (blogs.nvidia.com)
  5. Runway’s WorldPrompt and the Engineering of Real-Time Worlds (latent.space)
  6. How to train your own Jev for $17 (together.ai)
  7. @langchain: Introducing LangSmith Fine-Tuning and the smithtune CLI.

LangSmith now handles the entire fine-tuning process. Use your traces to train specialized models that cut cost and latenc (x.com) 8. @langchain: Just announced at Interrupt: LangSmith Engine v2.

With Engine v2, you can proactively spot agent issues and resolve them before your users see them.

Your agents get better. You g (x.com) 9. Enabling Private High-Performance Production AI Inference with NVIDIA Confidential Computing (developer.nvidia.com) 10. Foundries vs Navigators: Lowering the Cost of Science (latent.space)